改進EfficientNet的表皮細胞圖像識別研究

王一丁，姚 毅，李耀利，蔡少青，袁 媛

1.北方工業(yè)大學 信息學院，北京 100144

2.北京大學 藥學院，北京 100191

3.中國中醫(yī)科學院 中藥資源中心，北京 100700

利用中藥材粉末顯微鑒定的方法對中藥樣品進行鑒別是其質量監(jiān)控的一項關鍵技術，顯微特征包括組織、細胞及其內含物，如木栓組織、結晶、纖維、淀粉粒、花粉粒、導管、表皮細胞等。目前，關于中藥材粉末的顯微特征，有文字描述、墨線圖描繪及彩色照片三種常用的方法，但是這些特征描述和圖像在使用時多有不便，并且在比較和判斷過程中常常需要依據(jù)專家的經(jīng)驗，主觀因素過多，作為非專家的一般藥學人員很難勝任利用這些顯微鑒定資料進行顯微鑒定的工作。因此，顯微鑒定的應用受到了很大的限制。

近年來，隨著計算機視覺技術的不斷發(fā)展以及人工智能的興起，運用圖像處理算法、模式識別技術進行中藥材顯微特征圖像的自動識別的方法和應用不斷產(chǎn)生。目前國內已經(jīng)有了一些初步的工作，王亞杰[1]等人運用分形分析、小波分析、灰度梯度共生矩陣三種方法來進行特征提取，然后用K-近鄰分類方法，得到較高準確率；李輝等人[2]采用掃描電鏡法和X-射線衍射法獲得了藥用珍珠、混淆品及浙產(chǎn)珍珠粉的掃描電鏡圖，進而鑒別真?zhèn)?；王耐等人[3]提取了牛膝和川牛膝兩種中藥材拼接橫切面顯微圖像的顏色、紋理等特征，Zscore標準化后進行主成分分析，最后識別采用BP神經(jīng)網(wǎng)絡。此外，還有研究者運用改進型雙通道SqueezeNet[4]、RGB-HSV+TAM+MBAM[5]等深度學習的方法進行了顯微圖像識別研究，取得了不錯的效果。

值得注意的是，目前的中藥材顯微圖像識別方法都是在相同場景下進行研究的，其中訓練樣本和測試樣本都屬于同一個中藥材顯微圖像數(shù)據(jù)庫。在這種情況下，可以認為測試集和訓練集樣本的特征分布相似。但在實際應用中，中藥材粉末顯微圖像往往是在不同的環(huán)境或不同的設備下采集的，在這種場景下，訓練和測試的顯微圖像樣本在顏色、形態(tài)和大小等方面會有一定的不同，這就導致了它們的特征分布會有差異，識別方法的效果可能會大大降低。因此，對訓練樣本和測試樣本屬于兩個不同的中藥材粉末顯微圖像數(shù)據(jù)庫的識別問題進行研究是非常值得的。針對以上問題，本文將進行3個方面的工作：（1）在所有中藥材粉末顯微圖像特征中表皮細胞具有的紋理特征最明顯，視覺上最容易區(qū)分，因此選用其作為本次實驗的數(shù)據(jù)集進行研究；（2）將局部二值模式圖（local binary patterns，LBP）和Canny邊緣檢測特征圖與RGB圖像進行合并為5通道作為網(wǎng)絡的輸入，擴充網(wǎng)絡輸入端的數(shù)據(jù)寬度，使得網(wǎng)絡可以學習與表達的東西更加豐富，有利于提高精確度；（3）改進了SPP結構并把其嵌入到輕量并且高效的EfficientNet網(wǎng)絡模型中，增大神經(jīng)網(wǎng)絡的深度同時去除冗余信息，通過更深的神經(jīng)網(wǎng)絡實現(xiàn)特征提取。

1 卷積神經(jīng)網(wǎng)絡與EfficientNet網(wǎng)絡

1.1 卷積神經(jīng)網(wǎng)絡

卷積神經(jīng)網(wǎng)絡是一種前饋神經(jīng)網(wǎng)絡，尤其是在圖像識別方面卷積神經(jīng)網(wǎng)絡的表現(xiàn)十分出色。它主要是由輸入層、卷積層、池化層、全連接層和softmax層組成。卷積神經(jīng)網(wǎng)絡最早于1989年LeCun等人[6]提出，并用于計算機識別手寫數(shù)字圖像；2012年，Krizhevsky與Hinton提出了AlexNet[7]，成功采用ReLU作為網(wǎng)絡激活函數(shù)，提出局部響應歸一化（local response normalization，LRN）并且首次使用了Dropout層，目的是使一部分神經(jīng)元失活，避免模型過擬合；2015年，He等人提出了具有殘差連接的ResNet[8]網(wǎng)絡，有效解決了當深層神經(jīng)網(wǎng)絡的深度到達一定深度后，擬合能力反而更差的問題；2017年，谷歌提出了深度可分離卷積（depthwise separable convolution），以此為基礎搭建了輕量化網(wǎng)絡MobileNet[9]，同時允許用戶修改網(wǎng)絡寬度與輸入分辨率這兩個參數(shù)，從而適配到不同的應用環(huán)境中；2019年，谷歌提出了EfficientNet[10]，即用一種新的模型縮放方法對網(wǎng)絡深度（depth）、網(wǎng)絡寬度（width）和輸入圖像分辨率（resolution）三個維度進行合理并高效的搭配，不僅比別的網(wǎng)絡快很多，而且精度也更高。

1.2 EfficientNet網(wǎng)絡

考慮到不同批次，不同環(huán)境下采集到的中藥材粉末表皮細胞顯微圖像本身在形態(tài)上會有不同，以及其本身具有復雜紋理的特點，選擇特征提取能力強和對跨庫數(shù)據(jù)識別精度高的網(wǎng)絡作為基礎網(wǎng)絡，同時也考慮到網(wǎng)絡的識別速度以及后續(xù)部署等問題，需要模型的參數(shù)量不能過大。綜上本文使用EfficientNet作為對跨庫中藥材粉末顯微圖像的基礎分類網(wǎng)絡，其運用網(wǎng)絡搜索技術來對網(wǎng)絡的圖像分辨率、深度以及寬度三個參數(shù)進行搜索，進而得出最平衡的搭配，這樣高效的網(wǎng)絡不僅參數(shù)量小而且可以很好地學習到圖像的深層語義信息，因此對于分類任務來講更具有魯棒性。

EfficentNet是由多個MBConv模塊構成的，MBConv中包含深度可分離卷積、Swish激活函數(shù)以及Dropout層，并將注意力機制嵌入到模塊中，其結構如圖1所示。

圖1 MBConv結構圖Fig.1 MBConv schematic diagram

EfficientNet-B0的網(wǎng)絡框架總共分成了9個模塊，第1個模塊就是一個卷積核大小為3×3步距為2的普通卷積層，第2～8個模塊都是在重復堆疊MBConv結構，而第9個模塊由普通的1×1的卷積層、平均池化層和全連接層組成。B1～B7的網(wǎng)絡結構就是在B0的基礎上修改圖像的輸入分辨率、特征層的通道數(shù)以及卷積層數(shù)。由于EfficientNet共有8種結構，為了選出最優(yōu)結構作為跨庫中藥材粉末顯微圖像的基礎網(wǎng)絡，以RGB原圖作為輸入圖像做8組實驗，實驗結果如表1所示。經(jīng)對比后發(fā)現(xiàn)，EfficientNet-B2分類效果最好，因此選用其作為基礎網(wǎng)絡進行下一步的工作。

表1 EfficientNet B0～B7網(wǎng)絡對比實驗結果Table 1 EfficientNet B0～B7 network comparison experiment results

2 基于多通道融合的Efficientnet模型改進

在跨庫圖像識別任務中，由于圖像的分辨率、亮度、顏色等差異的干擾，單純的RGB圖像不能充分地讓網(wǎng)絡學習到兩個庫中同種中藥材顯微圖像所具有的共同特征。經(jīng)過分析發(fā)現(xiàn)，不同庫中同種中藥材顯微特征圖像的紋理分布是相同的，利用這個特點可以幫助網(wǎng)絡更好地對數(shù)據(jù)進行識別。因此本文首先將RGB圖像與不同的特征圖進行融合，形成大于三通道的圖像數(shù)據(jù)送入分類網(wǎng)絡中，目的是在訓練過程中擴充輸入數(shù)據(jù)的寬度來提供更豐富的數(shù)據(jù)信息，進而提升跨庫數(shù)據(jù)分類效果；其次，網(wǎng)絡對于增加的特征信息會出現(xiàn)處理瓶頸的問題，因而會丟失部分信息，而SPP結構具有的從不同角度進行特征提取，之后再聚合的特點可以很好地解決瓶頸問題，因此將SPP結構進行改進（D-SPP）嵌入到網(wǎng)絡結構中增加網(wǎng)絡的深度進而應對增加的特征紋理信息。改進后的模型結構如圖2所示，由于增加了卷積操作，會使得網(wǎng)絡的參數(shù)量有所上升，改進前后的模型參數(shù)量如表2所示。

圖2 改進后的EfficientNet-B2結構Fig.2 Improved EfficientNet-B2 network architecture

表2 改進前后網(wǎng)絡參數(shù)量對比Table 2 Comparison of network parameters before and after improvement

2.1 擴充輸入端的數(shù)據(jù)寬度

為了更好地研究多通道融合的方法，本文選取了多種特征圖作為備選，所選取的特征有：LBP、Canny、HOG以及Gabor。首先將每一個特征圖分別與RGB圖像融合形成四通道圖像送入網(wǎng)絡訓練，實驗結果如表3所示。

表3 四通道圖像實驗對比結果Table 3 Four-channel image experiment comparison results

由表3可知，相較于原始分類網(wǎng)絡采用的單一的RGB圖像作為輸入，融合了特征圖的數(shù)據(jù)由于擁有更豐富的語義信息，因此使得網(wǎng)絡識別率更高。通過實驗結果可以看出，結合了Gabor特征圖的效果最好準確率達到了79.5%。接下來選取四種特征圖中的兩種與原圖進行融合形成五通道圖像輸入網(wǎng)絡，實驗結果如表4所示。

表4 五通道圖像實驗對比結果Table 4 Five-channel image experiment comparison results

由表4可知，相較于四通道圖像，五通道圖像由于融合了更多的信息，識別效果也有所提高，而RGB+LBP+Canny這種組合方式準確率最高，達到了79.8%。接下來在四種特征圖中選取三種與原圖進行融合形成六通道圖像輸入網(wǎng)絡，之后再將四種特征全部與原圖進行融合形成七通道圖像輸入網(wǎng)絡進行實驗，實驗結果如表5所示。

表5 六通道和七通道圖像實驗對比結果Table 5 Comparison results of six-channel and seven-channel image experiments

由表5可知，相較于五通道圖像，六通道和七通道圖像并沒有在識別效果上有所提高，反而準確率有所降低，是因為隨著通道數(shù)的增加雖然會使得語義信息越來越豐富，但是也會使得噪聲、冗余信息越來越多，減弱神經(jīng)網(wǎng)絡對有用信息的判斷能力。通過以上三個實驗結果可以看出，當特征圖組合方式為RGB+LBP+Canny的效果是最好的，說明LBP特征圖和Canny邊緣檢測兩種特征圖的組合更有助于豐富并且突出圖像的紋理信息，從而提升網(wǎng)絡跨庫識別能力。

2.1.1 局部二值模式（LBP image）

局部二值模式是計算機視覺領域中一個非常有效的紋理描述特征，具有很多優(yōu)點，比如旋轉不變性、平移不變性以及可以消除光照變化的問題等，具體原理是，以3×3為窗口單位，若周圍像素值大于中心像素值，則該像素點標記為1，否則標記為0，之后對鄰域像素進行二進制化，將所得的值與二值序列對應相乘后相加即可得到中心像素的LBP值，具體過程是：

式中，s0為中心點像素的灰度值，s i(i=1,2,…,8)為領域像素的灰度值，K為將中心像素與鄰域像素的灰度值進行比較得到的二值序列。中藥材粉末表皮細胞顯微圖像不同數(shù)據(jù)庫之間的原圖樣本和對應的LBP特征圖如圖3和圖4所示，其中（a）和（b）分別代表丁香表皮細胞和砂仁表皮細胞，且每一個種類左邊為庫1右邊為庫2。

通過圖3和圖4可以看出，丁香的表皮細胞具有塊狀的紋理特點，而砂仁的表皮細胞具有條紋狀的紋理特點，這些都能在LBP特征圖上很好地顯示出來，因此可以作為區(qū)分不同種類表皮細胞的依據(jù)使得網(wǎng)絡更能充分學習到不同類的紋理信息。

圖3 表皮細胞顯微圖像1庫和2庫樣本1的示例Fig.3 Examples of sample 1 in library 1 and library 2 of epidermal cell microscopic images

圖4 表皮細胞顯微圖像1庫和2庫樣本的LBP特征圖Fig.4 LBP feature maps of samples in epidermal cell microscopic image in library 1 and library 2

2.1.2 Canny邊緣檢測（Canny image）

1986年Canny提出了Canny算子，Canny算子有三個規(guī)范，即邊緣點被誤報的概率低、檢測到的邊緣點盡可能位于真實邊緣的中心和單邊只有一個響應。具體步驟是：

（1）高斯濾波：對圖像進行降噪處理，增大邊緣的寬度。

式中，f(m,n)為原圖經(jīng)過灰度化之后位置在(m,n)像素點的灰度值，g(m,n)為經(jīng)過高斯濾波之后位置在(m,n)像素點的灰度值。

（2）計算梯度值和梯度方向：圖像梯度可以用來表示灰度值的變化程度和方向，因此可以看出來哪些像素點灰度值變化是最大的。

式中，g x(m,n)表示像素點在X方向上的梯度值，g y(m,n)表示像素點在Y方向上的梯度值。

（3）非極大值抑制：過濾不是邊緣的點，使邊緣的寬度盡可能為1個像素點。原則是如果像素點在梯度方向上的梯度值是最大的，則為邊緣點，否則不是邊緣，將灰度值設為0。

（4）雙閾值檢測：通過第三步之后，仍然有很多可能的邊緣點，進一步設置像素的兩個閾值，即低閾值和高閾值，灰度變化大于高閾值的，設置為強邊緣，低于低閾值的，剔除掉。對于中間的像素點，如果與確定為邊緣的像素點鄰接，則判定為邊緣；否則為非邊緣。

中藥材粉末表皮細胞顯微圖像不同數(shù)據(jù)庫之間的原圖樣本和對應的Canny邊緣檢測特征圖如圖5和6所示，其中（a）和（b）分別代表丁香表皮細胞和砂仁表皮細胞，且每一個種類左邊為庫1右邊為庫2。

圖5 表皮細胞顯微圖像1庫和2庫樣本2的示例Fig.5 Examples of sample 2 in library 1 and library 2 of epidermal cell microscopic images

圖6 表皮細胞顯微圖像庫1和庫2樣本的Canny特征圖Fig.6 Canny feature maps of samples in epidermal cell microscopic image in library 1 and library 2

通過以上兩幅圖可以看出，Canny邊緣檢測方法能夠很好地檢測出丁香表皮細胞的塊狀紋理和砂仁表皮細胞的條紋狀紋理，因此可以和LBP特征圖一起輔助網(wǎng)絡充分學習到圖像的紋理信息，進而更好地區(qū)分不同種類表皮細胞。

2.2 增加網(wǎng)絡的深度（D-SPP）

SPP-Net[11]是一種可以不用考慮圖像大小，輸出圖像固定長度網(wǎng)絡結構，并且可以做到在圖像變形情況下表現(xiàn)穩(wěn)定，在圖像分類和檢測領域有著非常廣泛的應用。YOLOv4[12]目標檢測算法在特征提取網(wǎng)絡后加入了SPP模塊，結構如圖7所示，其主要是通過使用不同大小內核的最大池化層得到特征圖局部區(qū)域感受野和接近全局的感受野信息，并進行特征融合。這種融合不同尺度感受野的操作能有效豐富特征圖的表達能力，增加網(wǎng)絡的深度進而增強網(wǎng)絡輸出特征的接受范圍，能夠更有效地應對由于增加的特征信息網(wǎng)絡所出現(xiàn)的處理瓶頸問題。

圖7 YOLOv4算法中SPP模塊結構圖Fig.7 SPP module structure diagram in YOLOv4

具體操作是：輸入的特征圖通過一個卷積層后，分別經(jīng)過5×5、9×9、13×13三個不同尺寸的池化核做最大池化處理，再通過concat操作將得到的特征圖進行通道的拼接，輸出的通道數(shù)變?yōu)樵ǖ罃?shù)的2倍，上述過程可表示為：

式中，E0∈R(N,W,H,C)為輸入特征圖，E1∈R(N,W,H,1/2C)為原特征圖經(jīng)過1×1卷積之后的結果，E2,E3,E4∈R(N,W,H,1/2C)為E1分別經(jīng)過5×5、9×9、13×13三個不同尺寸內核做最大池化處理之后的特征圖，E5∈R(N,W,H,2C)為將E1、E2、E3、E4四個特征圖拼接的結果。

經(jīng)過分析，雖然上述結構可以有效地提取圖像特征，但是由于其最后輸出的通道數(shù)是原特征圖的2倍，之后還需要進行通道數(shù)調整操作，對于計算機來說有不小的計算壓力，而且由于通道數(shù)增多特征圖的冗余信息也會增多。因此本文對SPP結構進行改進，將經(jīng)過三個不同的池化核之后的特征圖先進行連接，然后通過1×1卷積恢復為原通道數(shù)，再與輸入特征圖相加，改進后的SPP結構（D-SPP）如圖8所示。

圖8 改進后的SPP模塊結構圖Fig.8 Structure diagram of improved SPP module

這樣的結構輸出通道數(shù)與原特征圖通道數(shù)相同，對于網(wǎng)絡的后續(xù)操作既減小了計算量又沒有破壞掉原特征圖的信息，而且還可以起到去除冗余信息的作用。上述過程可表示為：

式中，D0∈R(N,W,H,C)為輸入特征圖，D1∈R(N,W,H,1/2C)為原特征圖經(jīng)過1×1卷積之后的結果，D2,D3,D4∈R(N,W,H,1/2C)為D1分別經(jīng)過n1、n2、n3三個不同尺寸池化核處理之后的特征圖，D5∈R(N,W,H,C)為先將D2、D3、D4四個特征圖拼接，經(jīng)過1×1卷積調整通道數(shù)之后再與原特征圖相加的結果。

為了選取D-SPP結構中的三種池化核大小的最優(yōu)搭配，將大小分別為3、5、7、9、13的池化核作為備選項，進行十組對比實驗。實驗結果如表6所示。經(jīng)實驗對比后發(fā)現(xiàn)，池化核n1大小為3，池化核n2大小為7，池化核n3大小為9時分類效果最好，因此D-SPP結構采用最優(yōu)的池化核組合方式。

表6 不同池化核大小對比實驗結果Table 6 Results of different pooling kernel size comparison experiments

將SPP結構和D-SPP結構分別嵌入到網(wǎng)絡中進行對比實驗，輸入為RGB+LBP+Canny五通道圖像，并記錄訓練過程總共100個epoch中的平均單epoch所用的時間，結果如表7所示。

表7 SPP模塊對比實驗結果Table 7 Comparison experiment results of SPP module

從結果可以看出，將改進的SPP模塊加入到網(wǎng)絡中雖然比原始EfficientnetB2增加了一部分訓練時間，但是相比于改進之前SPP結構由于去除掉了冗余信息，單epoch訓練時間縮短了13 s，這極大提升了訓練的效率，而在準確率方面，改進后的SPP結構相較于原始結構準確率提升了1.7個百分點，比加入改進前的SPP結構準確率提升了0.6個百分點。

3 實驗及結果分析

3.1 實驗環(huán)境

實驗的訓練和測試環(huán)境為Windows操作系統(tǒng)，使用Pytorch深度學習框架實現(xiàn)模型算法。實驗電腦CPU型號為intel至強E5，Nvidia GTX1080Ti顯卡，16 GB內存，在集成開發(fā)環(huán)境PyCharm中使用Python3.7語言來開發(fā)。

3.2 數(shù)據(jù)集與實驗設置

實驗使用的中藥材粉末顯微表皮細胞特征圖像數(shù)據(jù)集一共有1 198張圖片，其中1庫有809張圖片，2庫有389張圖片，兩個庫中數(shù)據(jù)均為26種，類別均相同且為不同時間和環(huán)境下采集的中藥材顯微圖像。圖9和圖10展示了一些樣本數(shù)據(jù)，可以看到，1庫和2庫種屬于同一類別的數(shù)據(jù)在形態(tài)，亮度，顏色等方面均有差異。選用1庫數(shù)據(jù)集中90%（728張）的圖片作為訓練集，剩下10%（81張）作為驗證集，2庫數(shù)據(jù)集中的圖片均作為測試集，來對模型進行最后的驗證。

圖9 表皮細胞1庫樣本圖Fig.9 Sample maps of epidermal cell in library 1

圖10 表皮細胞2庫樣本圖Fig.10 Sample maps of epidermal cell in library 2

為了網(wǎng)絡能夠更好地訓練圖片，首先將輸入圖像統(tǒng)一調整到260×260大小，然后再將圖片所有的像素值除以255，歸一化到0～1之間，將訓練集進行隨機打亂，驗證集和測試集均保持不變。選擇Adam作為模型參數(shù)優(yōu)化器，每一個批次訓練16張圖片，損失函數(shù)采用softmax交叉熵損失函數(shù)；訓練周期為100輪；學習率的更新采用隨epoch增大階段性減小的策略，如圖11所示，初始學習率設置為0.01，此后每經(jīng)過20個epoch學習率縮減為原來的0.5，以此類推。為了防止在訓練過程中出現(xiàn)過擬合現(xiàn)象，將使用圖像增強方法，即對訓練圖像進行水平翻轉和隨機角度旋轉。原始訓練集一共有728張圖片，在通過過數(shù)據(jù)增強進行數(shù)據(jù)擴充后，訓練集數(shù)量達到1 529張，是原始訓練集的2.1倍。

圖11 學習率函數(shù)Fig.11 Learning rate function

3.3 實驗結果及分析

為了驗證所提模型的有效性，以及對跨庫中藥材粉末表皮細胞顯微圖像識別的魯棒性，將此模型與目前一些比較常用的分類網(wǎng)絡模型做對比實驗，輸入為RGB+LBP+Canny五通道圖像，模型訓練方法均與3.2節(jié)中所描述的方法相同，實驗結果如表8所示。

從表8可以看出，本文所提出的方法針對26種不同庫的中藥材粉末表皮細胞顯微圖像數(shù)據(jù)集上取得了良好的效果，相比較于Xception網(wǎng)絡準確率提高了3.1個百分點，損失值減少了0.17，根據(jù)最開始表1的數(shù)據(jù)可以看出相較于改進之前的EfficientNet-B2準確率提升了2.7個百分點，損失值減少了0.17。為了進一步說明本文方法相較于其他圖像分類方法的優(yōu)勢，將使用ROC曲線來對模型的性能進行可視化，ROC曲線可以很容易地查出一個分類器在某個閾值時對樣本的識別能力，曲線越靠近左上角，即靈敏度越高，誤判率越低，分類性能越好。如圖12所示，本文提出的方法其靈敏度和特異度之和最大，因此在實驗中能夠取得優(yōu)于其他方法的效果。

表8 不同卷積神經(jīng)網(wǎng)絡的對比實驗結果Table 8 Comparative experimental results of different convolutional neural networks

圖12 不同模型在測試集上的ROC曲線和AUC值Fig.12 Performance of each CNN model on test set

通過對比六組實驗的訓練準確率折線圖，可以發(fā)現(xiàn)RGB-LBP-Canny+D-SPP的方法在訓練過程中收斂速度最快，70輪之后準確率逐漸達到平穩(wěn)狀態(tài)，最后的準確率也是最高的。從曲線來看整個訓練過程相比于其他方法更加的穩(wěn)定，沒有大幅度的波動狀態(tài)，訓練準確率折線圖如圖13所示。

圖13 訓練準確率折線圖Fig.13 Training accuracy line chart

并且為了充分驗證所提出算法的有效性，本文將采用控制變量法與文獻[4]和文獻[5]所提出的方法進行對比實驗，即采用文獻中所使用的導管顯微特征圖像分類數(shù)據(jù)集進行實驗，結果與對應文獻方法的結果進行對比。文獻[4]采用15種中藥材導管顯微圖像，數(shù)據(jù)集包含4 568張圖片，其中訓練集共3 928張圖片，測試集共640張圖片，實驗結果如表9所示。

表9 不同分類網(wǎng)絡對比實驗結果1Table 9 Comparison experimental resultsⅠof different classification networks

文獻[5]采用34種中藥材導管顯微圖像，數(shù)據(jù)集包含8 774張圖片，其中訓練集包含7 986張圖片，驗證集包含798張圖片，測試集包含788張圖片；實驗結果如表10所示。

表10 不同分類網(wǎng)絡對比實驗結果2Table 10 Comparison experimental resultsⅡof different classification networks

由表9和表10得出，本文所提出算法在使用導管顯微圖像數(shù)據(jù)集的情況下識別效果也比較不錯，可以看到相較于文獻[4]，本文方法在其測試集準確率上提高了5.2個百分點；相較于文獻[5]，本文方法在其測試集準確率上提高了0.8個百分點，結果證明了本文方法不僅適合解決跨庫中藥材粉末表皮細胞顯微圖像的分類問題，還可以解決類似中藥材粉末顯微特征細胞的識別問題。

4 結束語

經(jīng)過分析，針對中藥材粉末表皮細胞顯微圖像跨庫識別問題提出了一種改進型EfficientNet模型，首先將局部二值模式圖和Canny邊緣檢測特征圖與原RGB圖像合并，形成5通道圖像送入網(wǎng)絡豐富紋理信息，其次將改進的SPP模塊嵌入到網(wǎng)絡中增強特征提取的同時去除冗余信息。經(jīng)實驗證實，所提方法對于跨庫識別問題具有一定的有效性，識別率達到了81.5%，相比較于改進之前提升了2.7個百分點。接下來的工作本文將考慮如何在不增加參數(shù)量的情況下也能獲得比較高的識別率，對網(wǎng)絡結構進行進一步優(yōu)化，在保證精度的同時加快模型的識別速度。